城市风场预测从 8 小时压到 3 秒,无人机逆风飞行省电 12.7%

GeoWind2Plan: Mission-Time 3D Urban Wind Prediction for Energy-Efficient UAV Planning

Shaoxiang Qin, Yucheng Zhao, Fuyuan Lyu, Di Zhou, Jiachen Yao, Xue Liu, Anima Anandkumar, Liangzhu Leon Wang, Xiongye Xiao

NeurIPS 2026 (Spotlight)

cs.AI, cs.RO

2026-09-29

几何条件化神经算子 3 秒预测任务走廊的 3D 城市风场,逆风任务比无风规划省电 12.7%,恢复 CFD 参考节省的约 86%。

这篇在解决什么

城市低空无人机飞行,耗电不只看航线长短。楼群把背景风揉成空间变化的 3D 流场:街道峡谷里加速,楼后尾流里减速,密集楼群间还会转向。推进能耗取决于空速,即无人机相对周围空气的速度,几何上最短的路线如果一直顶着风,反而更费电。要做风感知的能耗规划,前提是拿到楼群分辨率的 3D 风场。CFD(计算流体力学)能给,但一次模拟绑定一个入流边界条件,风向风速一变就得重算;1.2 km 城区的高分辨率案例一次约 8 小时,而城市无人机任务通常只有几分钟到几十分钟。此前的风感知规划工作大多假设风场已经现成,或者只用单点风矢量、只随高度变化的风剖面,把决定能耗的水平空间结构全丢了。

方法

GeoWind2Plan 的输入只有三样:背景风矢量、3D 建筑几何、起终点。管线分四步:

风向适配靠旋转。论文证明了流场的 yaw 协变性:把城市几何转到参考风向的坐标系,在固定参考入流下预测,再把矢量场转回来,等价于直接为新风向做预测。模型学的是几何到风场的映射,风向变化被吸收进几何旋转,不用为每个风向单独训模型。
风速适配靠缩放。高雷诺数城市平均流有相似性:归一化的时间平均风场对入流速度不敏感,预测场直接乘 U/Uref。实测 2、4、8 m/s 的 CFD 场归一化后矢量差异在 6.7% 到 11.2% 之间。
走廊局部推理。全城高分辨率风场有百万级网格,单次任务只用到起终点连线附近的带状空域;只预测与走廊相交的 patch 再拼接成可查询风场,20% 走廊宽度把推理从 15 秒压到 3 秒。
规划端用 10 次 RRT 热启动生成可行路径,再做非线性连续优化,在避障、推力、加速度约束下联合优化 3D 路径和速度剖面,单次约 2 秒 CPU 时间。能量模型是物理推导的多旋翼模型,显式计入空速、阻力、推力、诱导功率和桨叶 profile 功率。

风场预测器是局部化的 FNO(傅里叶神经算子,一类学「输入函数到 PDE 解」映射的网络),几何编码用占用场、SDF 和多方向距离特征,在 45×45×45 的 patch 上共享参数。训练数据只有约 20 个 1.2 km CFD 案例,单张 V100 训 7 小时。

整套框架的目标是决策可用,不是逐点重建 CFD:轨迹用预测风规划,用高保真 CFD 风评估能耗。

结果

评估覆盖 4 个 held-out 的 1.2 km 城区和 1 个 3 km 城区,每区 256 个任务,默认入流 4 m/s。基线是零风规划和高度风剖面,CFD 风场作 oracle(直接拿真值风场规划的上限参考)。能耗按 Wh/km 计,城区 A 全角度下 oracle 12.3、无风规划 13.3、本文 12.5。

设置	方法	相对 oracle 的超额能耗
8 m/s 逆风	无风 / 剖面 / 本文	+41.0% / +18.9% / +7.6%
3 km 城区全角度	无风 / 剖面 / 本文	+14.6% / +3.8% / +2.5%

四个 1.2 km 城区平均,相对无风规划的省电幅度:顺风 6.9%、逆风 12.7%、侧风 4.5%,分别恢复 oracle 节省的 87.9%、85.7%、75.0%。风越强,局部 3D 风结构越值钱。轨迹行为也成体系:风感知规划在顺风里飞得更高更快、逆风里更低更慢,还会走出与 oracle 一致的侧向弯曲。走廊收到 10% 宽度时能耗几乎不变,但当超高楼横穿走廊、堵死全部可行路径时会出现规划失败。

为什么重要

这是第一个把「风条件化、楼群分辨的 3D 风场预测」和「CFD 评估的无人机能耗规划」串成任务时间可用管线的工作。对做城市物流或巡检的团队,意味着不需要预计算全城风场库:3 秒的风场预测已能拿到 oracle 七成半到近九成的节省,纯软件收益,不动硬件。方法论上更可迁移的是决策级评估:代理模型好坏不看逐点误差,看下游轨迹在真风场里的实际能耗。

绝对节省在 5% 到 13%,属于渐进量级,但零硬件成本,对续航敏感的机型仍然有意义。

局限与存疑

作者自述:只用时间平均风场,不建模湍流引起的功率波动,也不考虑湍流安全风险;假设任务期间背景风不变,不支持时变风下的重规划。风速缩放在 8 m/s 时误差已升到 11.2%,热力分层大气、阵风入流都没验证。

读下来另有几点存疑:训练集只有约 20 个 CFD 案例,作者自己也说数据是主要瓶颈,对真实城市不规则几何的泛化没有验证;所有真值都来自 CityFFD 这一个求解器,评估又复用同一套能量模型,全程没有实飞数据;所谓 oracle 是同一优化器下的 CFD 参考规划,不是全局最优。

术语

FNO:傅里叶神经算子,在频域做空间混合的算子学习网络,常用于逼近 PDE 解的映射。
SDF:signed distance function,空间每点到最近建筑表面的带符号距离。
MDDF:多方向距离特征,沿一组射线到障碍物的距离,编码局部遮挡与通道结构。
RRT:rapidly-exploring random tree,采样式路径规划算法,用来生成可行的初始路径。
yaw 协变性:绕竖直轴同步旋转城市几何与入流方向时,流场解随之旋转的性质。
CityFFD:GPU 上的快速城市流场求解器,本文用它离线生成训练标签。

原文与代码

社区讨论

NeurIPS 2026 Spotlight：秒级 3D 城市风场预测助无人机省电规划 AnimaAnandkumar